基于变分模态分解和深度学习的短期电力负荷预测模型

作者：阳曾^*; 丁施尹; 叶萌; 李晶; 薛书倩; 吴昊天

来源：电测与仪表, 2023, 60(02): 126-146.

DOI：10.19753/j.issn1001-1390.2023.02.018

• 短期负荷预测
• 变分模态分解
• 本征模态函数
• 长短期记忆神经网络

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测，将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果，相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法，该方法能有效的提升负荷预测的准确性。

• 单位
  华北电力大学; 广州供电局; 广东电网有限责任公司